Méritos y barreras: ¿Funciona la meritocracia educativa en el Gran Santiago?

Un análisis multinivel de la CASEN 2022


Katherine Aravena Herrera, Paula Cerda Torres & Sebastián Monreal Villarroel

The Future of Social Mobility - 2025

Departamento de Sociología, Universidad de Chile

Santiago, 2025

Github repo

Introducción

Problema / Objeto de estudio:

La desigualdad educativa persiste como una de las principales barreras para la movilidad social en Chile, especialmente en la Región Metropolitana de Santiago (Ministerio de Educación de Chile 2023; OECD 2021). La articulación entre origen social, trayectoria educativa y destino ocupacional se refleja en una movilidad intergeneracional limitada y fuertemente estratificada por clase, incluso entre las generaciones más jóvenes (Muga Mora and Rodrigo Benito 2021; Rodrigo and Oyarzo 2021). Aunque el acceso a la educación básica y media se ha expandido, las diferencias en años de escolaridad siguen reproduciendo clivajes de clase, género y territorio, consolidando circuitos de ventaja y desventaja educativa (Calidad de la Educación 2015; Bellei 2013).

Brecha en la literatura: Una extensa evidencia empírica sobre el sistema escolar chileno ha documentado de manera consistente brechas educativas(Agencia de Calidad de la Educación 2015; García-Huidobro and Bellei 2003; Cristóbal Villalobos 2015; Murillo, Duk, and Martínez-Garrido 2018). Sin embargo, gran parte de estos estudios e informes aborda dichas brechas de forma predominantemente descriptiva (o mediante modelos de una sola capa), sin desagregar con precisión los aportes relativos de los factores individuales y los factores contextuales(Murillo and Martínez-Garrido 2013; Andréu 2011; Finch, Bolin, and Kelley 2019). En este vacío se inscribe nuestro estudio.

A raÍz de lo anterior, el objetivo y aporte del estudio es analizar cómo la interacción entre recursos familiares (nivel socioeconómico, participación social) y condiciones comunales (tasa de empleo, oferta educativa, IDH) explica las diferencias en años de escolaridad en el Gran Santiago mediante un enfoque multinivel (Finch, Bolin, and Kelley 2019; Romero, Alcaraz, and Hernández 2020). Usando este tipo de modelos para cuantificar el efecto de esos factores y dimensionar las brechas, mostrando cuánto espacio real queda para el mérito individual.

Desde la sociología de la educación, esta persistencia se explica mediante:

  1. Reproducción de capitales familiares — la escuela convierte de forma desigual el capital económico, cultural y social de origen en logro académico, reforzando la ventaja heredada (Bourdieu and Passeron 2001; Bellei 2013)

  2. Lógica meritocrática — los criterios de evaluación escolar naturalizan esas ventajas, atribuyendo el éxito exclusivamente al mérito individual (Castillo et al. 2024; Batruch et al. 2023)

  3. Efectos de contexto — las oportunidades educativas están moduladas por la estructura territorial (segregación residencial, oferta escolar, dinamismo laboral), que amplifica o atenúa los recursos familiares (Soler Mata and Fernández León 2021; C. Villalobos and Mardones 2022; Canales and Ibarrola 2022)

¿En qué medida los distintos factores de socialización —tanto familiares como territoriales— influyen en los años de escolaridad de los habitantes del Gran Santiago?

Hipótesis:

Nivel 1:

\(H_1\): Las mujeres completan, en promedio, menos años de escolaridad que los hombres.

\(H_2\): Cuanto más alto es el nivel socioeconómico (NSE) del hogar, más años de escolaridad alcanza el estudiante.

\(H_3\): Provenir de un hogar con participación social aumenta los años de escolaridad frente a hogares carentes en redes comunitarias.

Nivel 2:

\(H_4\): Las comunas con mayor tasa de empleo presentan una escolaridad promedio más alta.

\(H_5\): Las comunas con mayor proporción de escuelas por 10.000 habitantes ofrecen más oportunidades y muestran mayores años de escolaridad.

\(H_6\): Las comunas que presentan un mayor IDH presentan una escolaridad promedio más alta.

Interacción entre niveles:

\(H_7\): El efecto positivo del nivel socioeconómico (NSE) sobre la escolaridad es más intenso en comunas con alta tasa de empleo; un mercado laboral dinámico potencia los recursos familiares.

\(H_8\): El efecto positivo del nivel socioeconómico (NSE) sobre la escolaridad es más intenso en comunas con un alto IDH

Metodología

Datos

Se utilizó la base de datos de la CASEN 2022, que tiene un diseño muestral probabilístico, estratificado por región, comuna y área urbana/rural.

Para el análisis se trabajó con 22.706 individuos (nivel 1) de 18 o más años, anidados dentro de las 32 comunas del Gran Santiago (nivel 2), con un promedio de 702 casos por comuna.

Variables

Estadísticos descriptivos – Nivel 1 (individual)
N Mín. P25 Mediana Media P75 Máx. SD
Años de escolaridad 22,706 0.00 11.00 12.00 12.60 16.00 29.00 4.11
Mujer (1 = Sí) 22,706 0.00 0.00 1.00 0.54 1.00 1.00 0.50
Nivel socioeconómico (NSE) 22,706 1.00 2.00 5.00 4.56 6.00 7.00 2.01
Participación social (n.º) 22,706 0.00 0.00 0.00 0.13 0.00 1.00 0.33
Estadísticos descriptivos – Nivel 2 (comunal)
N Mín. P25 Mediana Media P75 Máx. SD
Escuelas por 10 000 hab. 32 1.99 2.97 3.90 3.87 4.77 6.11 1.06
Tasa de empleo comunal 32 0.46 0.51 0.54 0.55 0.58 0.70 0.06
IDH comunal 32 0.50 0.58 0.64 0.67 0.73 0.96 0.13

Métodos

Esta es una investigación cuantitativa, se utilizó una metodología de análisis estadístico multinivel. De este modo se puede observar de manera más precisa cómo las trayectorias educativas se configuran por la interacción entre factores individuales y contextuales.

El análisis de datos se realizó en R, utilizando lmer para la construcción de los modelos, sjPlot para la visualización de los datos y summary tools para generar descriptivos univariados.

Con el fin de realizar una mejor estimación de los modelos, los predictores fueron centrados en torno a la gran media para variables contextuales y sobre la media grupal para los predictores individuales.

Se estimaron un total de 7 modelos:

Modelos estimados

Modelo 0: nulo

\[ \text{esc}_{ij} \;=\; \gamma_{00} + u_{0\text{comuna}} + r_{ij} \]

Modelo 1: variables independientes individuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{female} \\ &+ \gamma_{02}\,\text{nse_cmc} \\ &+ \gamma_{03}\,\text{part_social_num} \\ &+ u_{0\text{comuna}} + r_{ij} \end{aligned} \]

Modelos

Modelo 2: variables independientes contextuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{prop_empleo_gmc} \\ &+ \gamma_{02}\,\text{prop_pob_escn_gmc} \\ &+ \gamma_{03}\,\text{idh_gmc} \\ &+ u_{0\text{comuna}} + r_{ij} \end{aligned} \]

Modelo 3: variables independientes individuales y contextuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\ &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\ &+ u_{0j} + r_{ij} \end{aligned} \]

Modelos

Modelo 4: intercepto y pendiente aleatoria de NSE

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Modelo 5: interacción entre NSE y empleo

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ \gamma_{07}\bigl(\text{nse_cmc}\,\times\,\text{prop_empleo_gmc}\bigr) \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Modelos

Modelo 6: interacción entre NSE y IDH

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ \gamma_{07}\bigl(\text{nse_cmc}\,\times\,\text{idh_gmc}\bigr) \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Resultados

Descriptivos

Scatterplot:

Relación entre promedio comunal de escolaridad y tasa de empleo

Scatterplot:

Relación entre promedio comunal de escolaridad y IDH

Modelos

  Nulo (ICC) L1 (centrado) L2 (centrado) L1 + L2 + Pend. NSE + Interacción H7 + Interacción H8
Predictors Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error
(Intercept) 12.320 *** 0.297 12.440 *** 0.295 12.562 *** 0.096 12.680 *** 0.099 12.691 *** 0.099 12.689 *** 0.099 12.682 *** 0.098
female -0.398 *** 0.049 -0.397 *** 0.049 -0.398 *** 0.049 -0.398 *** 0.049 -0.398 *** 0.049
nse cmc 0.397 *** 0.015 0.397 *** 0.015 0.421 *** 0.058 0.438 *** 0.061 0.478 *** 0.053
part social num 0.744 *** 0.074 0.747 *** 0.074 0.730 *** 0.073 0.730 *** 0.073 0.731 *** 0.073
prop empleo gmc 10.325 *** 1.866 10.188 *** 1.834 10.162 *** 1.686 9.711 *** 1.809 10.226 *** 1.776
prop pob esc gmc 0.124 0.109 0.123 0.107 0.151 0.095 0.147 0.097 0.132 0.102
idh gmc 9.840 *** 0.920 9.759 *** 0.904 10.394 *** 0.822 10.368 *** 0.836 9.788 *** 0.892
nse cmc × prop empleo gmc 0.869 1.092
nse cmc × idh gmc 1.169 ** 0.433
Random Effects
σ2 14.10 13.56 14.10 13.56 13.37 13.37 13.38
τ00 2.80 comuna 2.74 comuna 0.26 comuna 0.25 comuna 0.26 comuna 0.26 comuna 0.25 comuna
τ11         0.08 comuna.nse_cmc 0.08 comuna.nse_cmc 0.06 comuna.nse_cmc
ρ01         -0.52 comuna -0.49 comuna -0.34 comuna
ICC 0.17 0.17 0.02 0.02 0.03 0.03 0.03
N 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna
Observations 22706 22706 22706 22706 22706 22706 22706
Marginal R2 / Conditional R2 0.000 / 0.166 0.032 / 0.195 0.144 / 0.159 0.176 / 0.191 0.187 / 0.215 0.184 / 0.212 0.182 / 0.206
* p<0.05   ** p<0.01   *** p<0.001

Interacción H7

Figure 1

La interacción muestra que el efecto del nivel socioeconómico sobre la escolaridad varía según la tasa de empleo comunal. En comunas con más empleo (azul), el NSE tiene un impacto mayor sobre los años de escolaridad, mientras que en comunas con menos empleo (roja), su efecto es más débil. Esto sugiere que los recursos familiares rinden más en contextos laborales favorables, ampliando así las desigualdades educativas.

Interacción H8

Figure 2

La interacción muestra que el efecto del NSE sobre la escolaridad varía según el IDH comunal. En comunas con un mayor IDH (azul), el NSE tiene un impacto mayor sobre los años de escolaridad, mientras que en comunas con un menor IDH (roja), su efecto es más débil. Esto sugiere que el capital económico tiene un mayor impacto educativo en contextos comunales más desarrollados, donde pueden existir más recursos institucionales para transformar las ventajas familiares en logros escolares.

Test de devianza

¿La pendiente aleatoria de NSE mejora el ajuste?
Likelihood-ratio test
modelo npar AIC BIC logLik LRT gl p
sin pendiente 9 123730.6 123802.8 -61856.28 NA NA NA
con pendiente 11 123478.4 123566.8 -61728.22 NA NA NA
LRT NA NA NA NA 256.103 2 0
χ² significativo (p < 0.001) ⇒ conviene dejar la pendiente de NSE como aleatoria

Observaciones influyentes

  Modelo original Sin comunas influyentes
Predictors Estimates Estimates
(Intercept) 12.691 *** 12.769 ***
female -0.398 *** -0.426 ***
nse cmc 0.421 *** 0.417 ***
part social num 0.730 *** 0.690 ***
prop empleo gmc 10.162 *** 9.000 ***
prop pob esc gmc 0.151 0.145 *
idh gmc 10.394 *** 11.375 ***
Random Effects
σ2 13.37 13.43
τ00 0.26 comuna 0.15 comuna
τ11 0.08 comuna.nse_cmc 0.08 comuna.nse_cmc
ρ01 -0.52 comuna -0.66 comuna
ICC 0.03 0.03
N 32 comuna 30 comuna
Observations 22706 20663
Marginal R2 / Conditional R2 0.187 / 0.215 0.201 / 0.222
* p<0.05   ** p<0.01   *** p<0.001

Conclusiones

  • Aporte metodológico: El modelo multinivel distinguió con precisión la varianza entre y dentro de comunas, revelando interacciones ocultas.

  • Limitaciones: Falta información sobre calidad escolar y el diseño transversal no permite causalidad.

  • Próximos pasos: Extender el análisis a otras regiones y sumar datos longitudinales y de calidad educativa.

  • Política pública: Combinar desarrollo territorial con apoyo al capital familiar para reducir brechas escolares.

Referencias

Agencia de Calidad de la Educación. 2015. “Evolución de Las Brechas Socioeconómicas de Rendimiento En Pruebas SIMCE.” Santiago, Chile: División de Estudios, Agencia de Calidad de la Educación.
Andréu, Jaime. 2011. “El Análisis Multinivel: Una Revisión Actualizada En El Ámbito Sociológico.” Metodología de Encuestas 13: 161–76.
Arita, M., A. Romano, A. García, and F. Félix. 2015. Condiciones de Vida y Bienestar Subjetivo En Culiacán, México. Culiacán: Universidad Autónoma de Sinaloa.
Batruch, Anatolia, Jolanda Jetten, Herman G. Van de Werfhorst, Céline Darnon, and Fabrizio Butera. 2023. “Belief in School Meritocracy and the Legitimization of Social and Income Inequality.” Social Psychological and Personality Science 14 (5): 621–35. https://doi.org/10.1177/19485506221111017.
Bellei, Cristián. 2013. “El Estudio de La Segregación Socioeconómica y Académica de La Educación Chilena.” Estudios Pedagógicos (Valdivia) 39 (1): 325–45.
Bourdieu, Pierre, and Jean-Claude Passeron. 2001. La Reproducción. Elementos Para Una Teoría Del Sistema de Enseñanza. Madrid: Editorial Laia.
Bullones, E. 2022. “Gestión Educativa En Valores Para La Paz Comunitaria.” Aula Virtual 3 (6): 150–60.
Calidad de la Educación, Agencia de. 2015. “Evolución de Las Brechas Socioeconómicas de Rendimiento En Pruebas SIMCE.” Santiago de Chile: División de Estudios, Agencia de Calidad de la Educación.
Canales, Alejandro, and María de Ibarrola. 2022. “La Segmentación Del Sistema Escolar Mexicano: Un Análisis Territorial.” Revista Mexicana de Investigación Educativa 27 (94): 1035–60.
Castillo, Juan Carlos, Mauricio Salgado, Kevin Carrasco, and Andreas Laffert. 2024. “The Socialization of Meritocracy and Market Justice Preferences at School.” Societies 14 (11): 214. https://doi.org/10.3390/soc14110214.
Finch, W. Holmes, Jocelyn E. Bolin, and Ken Kelley. 2019. Multilevel Modeling Using R. Boca Raton: Chapman; Hall/CRC.
García-Huidobro, Juan Eduardo, and Cristián Bellei. 2003. “Desigualdad Educativa y Oportunidades En Chile.” In La Educación En Chile Hoy, edited by Ricardo Hevia. Santiago, Chile: Universidad Diego Portales.
Ministerio de Educación de Chile. 2023. “Informe de Resultados SIMCE y Brechas Por Grupo Socioeconómico.” Santiago de Chile: Ministerio de Educación de Chile.
Muga Mora, Clara Luz, and Luis Miguel Rodrigo Benito. 2021. “Colegio y Logro Ocupacional En Chile: Una Explicación Desde La Segregación Escolar.” Acta Sociol., no. 82 (May): 135.
Murillo, Javier, Carolina Duk, and Cynthia Martínez-Garrido. 2018. “Evolución de La Segregación Socioeconómica de Las Escuelas de América Latina: Un análisis a Partir Del TERCE.” Revista Iberoamericana Sobre Calidad, Eficacia y Cambio En Educación 16 (2): 5–33.
Murillo, Javier, and Cynthia Martínez-Garrido. 2013. “El Uso de Los Modelos Multinivel En La Investigación Educativa.” In Investigación Iberoamericana Sobre Eficacia Escolar, edited by Javier Murillo, 67–96. Madrid, España: Universidad Autónoma de Madrid.
OECD. 2021. Education at a Glance: OECD Indicators. Paris: OECD Publishing. https://doi.org/10.1787/b35a14e5-en.
Peláez González, C., and S. A. Rodríguez. 2020. “Género, Trabajo y Educación: Diferencias Entre Hombres y Mujeres En La Entrada Al Primer Empleo.” Revista Interdisciplinaria de Estudios de Género de El Colegio de México 6: e494.
Poblete, Mario. 2020. “Índice de Desarrollo Humano (IDH) En Chile: A Nivel Nacional, Regional y En Las Comunas de Chillán y San Carlos.” Santiago de Chile: Biblioteca del Congreso Nacional de Chile. https://www.bcn.cl/obtienearchivo?id=repositorio/10221/29047/1/BCN_Poblete_IDH_en_Chile_final.pdf.
Programa de las Naciones Unidas para el Desarrollo. 2024. “El Desarrollo Humano de Las Comunas de Chile.” Santiago de Chile: PNUD Chile. https://www.undp.org/es/chile/publicaciones/el-desarrollo-humano-de-las-comunas-de-chile.
Rivas Espinosa, A., and V. Terra Polanco. 2024. “Percepciones de Niñas y Niños Sobre Su Hábitat En Contextos Urbanos Informales.” Sociológica (Madrid) 39 (1).
Rodrigo, Luis Miguel, and Mauricio Oyarzo. 2021. “Social Mobility in Chilean Youth and Their Parents: A Generational Analysis from the Perspective of Social Reproduction.” Latin American Perspectives 48 (6): 120–42. https://doi.org/10.1177/0094582X20939103.
Romero, E., S. Alcaraz, and M. Hernández. 2020. “Desigualdades Educativas y Respuesta Institucional: Una Investigación Desde La Perspectiva Territorial.” Profesorado. Revista de Currículum y Formación Del Profesorado 24 (1): 1–20.
Soler Mata, J., and R. Fernández León. 2021. “La Evaluación Educativa En España: Tensiones Entre La Evaluación Estandarizada y La Evaluación Formativa.” Revista de Educación 393: 245–71.
Villalobos, C., and S. P. Mardones. 2022. “¿Quién, Cómo y de Qué Se Investiga En Un Sistema Educativo Mercantilizado? Un Meta-Análisis de La Investigación Sobre Política Educativa En El Chile Post-Dictadura (1990–2019).” Education Policy Analysis Archives 30: 160.
Villalobos, Cristóbal. 2015. “Sistema Escolar Chileno: Características, Tensiones e Inequidades.” In Desafíos de La Educación En Chile. Santiago, Chile: Centro de Estudios Públicos.